面向LLM Agent的自适应记忆准入控制

基于LLM的Agent日益依赖长期记忆来支持多会话推理与交互，然而当前系统对保留哪些信息几乎没有控制。在实践中，Agent要么积累大量对话内容，包括幻觉或过时的事实，要么依赖不透明的、完全由LLM驱动的记忆策略，这类策略成本高昂且难以审计。因此，记忆准入仍然是Agent架构中一个规范不清且控制薄弱的组件。为填补这一空白，我们提出Adaptive Memory Admission Control（A-MAC），一个将记忆准入视为结构化决策问题的框架。A-MAC将记忆价值分解为五个互补且可解释的因子：未来效用、事实置信度、语义新颖性、时间新近性和内容类型先验。该框架将轻量级的基于规则的特征提取与单次LLM辅助的效用评估相结合，并通过交叉验证优化学习领域自适应的准入策略。这一设计实现了对长期记忆的透明且高效的控制。在LoCoMo基准上的实验表明，A-MAC取得了更优的精确率-召回率权衡，与最先进的LLM原生记忆系统相比，F1提升至0.583，同时延迟降低31%。消融结果识别出内容类型先验是可靠记忆准入中最具影响力的因子。这些发现表明，显式且可解释的准入控制是LLM Agent中可扩展、可靠记忆的关键设计原则。